| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 语音增强的研究目的和意义 | 第10页 |
| 1.2 语音增强的国内外研究状况 | 第10-14页 |
| 1.3 本文主要工作 | 第14-15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 第二章 本文相关技术介绍 | 第16-33页 |
| 2.1 语音信号的预处理 | 第16-18页 |
| 2.1.1 预加重及分帧加窗 | 第16-17页 |
| 2.1.2 语音端点检测 | 第17-18页 |
| 2.2 递归最小二乘算法 | 第18-24页 |
| 2.2.1 自适应滤波器 | 第18-20页 |
| 2.2.2 RLS算法原理 | 第20-21页 |
| 2.2.3 稳定快速型RLS算法 | 第21-24页 |
| 2.3 噪声识别技术 | 第24-25页 |
| 2.4 卷积神经网络模型 | 第25-32页 |
| 2.4.1 卷积神经网络核心思想 | 第25-28页 |
| 2.4.2 卷积神经网络的结构 | 第28-32页 |
| 2.5 本章小节 | 第32-33页 |
| 第三章 基于卷积神经网络的噪声识别算法 | 第33-41页 |
| 3.1 基于BP神经网络及SAMME的噪声识别 | 第33-35页 |
| 3.1.1 SAMME-BPNN算法概述 | 第33-34页 |
| 3.1.2 SAMME-BPNN算法流程 | 第34-35页 |
| 3.2 从BPNN扩展到CNN的噪声分类模型——NC-CNN | 第35-40页 |
| 3.2.1 算法流程描述 | 第36-37页 |
| 3.2.2 CNN模型具体说明 | 第37-38页 |
| 3.2.3 模型优化 | 第38-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第四章 基于噪声分类和CNN的SFTRLS-CNN语音增强模型 | 第41-52页 |
| 4.1 问题分析 | 第41-42页 |
| 4.2 算法描述 | 第42-51页 |
| 4.2.1 SFTRLS算法性能影响因素 | 第42-44页 |
| 4.2.2 SFTRLS-CNN实现机制 | 第44-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第五章 实验设计与结果分析 | 第52-66页 |
| 5.1 NC-CNN噪声识别算法的实验设计 | 第52-59页 |
| 5.1.1 实验数据处理 | 第52-54页 |
| 5.1.2 实验性能判断标准 | 第54-55页 |
| 5.1.3 实验结果与分析 | 第55-59页 |
| 5.2 SFTRLS-CNN算法实验设计 | 第59-65页 |
| 5.2.1 实验数据处理 | 第59页 |
| 5.2.2 实验性能判断标准 | 第59-60页 |
| 5.2.3 实验结果与分析 | 第60-65页 |
| 5.3 本章小结 | 第65-66页 |
| 第六章 总结和展望 | 第66-68页 |
| 6.1 工作总结 | 第66-67页 |
| 6.2 研究展望 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 攻读硕士期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75-76页 |
| 附件 | 第76页 |